CN112229395B - 一种巡逻路径规划方法、计算设备及存储介质 - Google Patents

一种巡逻路径规划方法、计算设备及存储介质 Download PDF

Info

Publication number
CN112229395B
CN112229395B CN202011128625.8A CN202011128625A CN112229395B CN 112229395 B CN112229395 B CN 112229395B CN 202011128625 A CN202011128625 A CN 202011128625A CN 112229395 B CN112229395 B CN 112229395B
Authority
CN
China
Prior art keywords
patrol
point
road
shortest path
interval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011128625.8A
Other languages
English (en)
Other versions
CN112229395A (zh
Inventor
肖露子
冯嘉欣
孙秋远
柳林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN202011128625.8A priority Critical patent/CN112229395B/zh
Publication of CN112229395A publication Critical patent/CN112229395A/zh
Application granted granted Critical
Publication of CN112229395B publication Critical patent/CN112229395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种巡逻路线规划方法、计算设备及存储介质，该方法包括获取选定区域内的地图信息和发生的多个历史事件；根据地图信息将选定区域划分成两个或多个分区；根据历史事件的时间信息生成多个巡逻时间区间；在每一巡逻时间区间内对与道路分布信息相匹配的历史事件进行处理，识别出发生历史事件的多条热点道路；在每一巡逻时间区间内求解对应分区内的最短路径距离矩阵；以及根据最短路径距离矩阵，生成多个巡逻时间区间内对应的巡逻路线。通过上述方式，本申请可以为警务人员提供直观清晰、动态更新的警务区时空巡逻路线图，为巡逻工作的日常开展提供决策支持，有利于警务人员及时调整巡逻方案，高效配置警力资源。

Description

一种巡逻路径规划方法、计算设备及存储介质
技术领域
本申请涉及警务巡逻的路线规划技术领域，尤其是一种巡逻路径规划方法、计算设备及存储介质。
背景技术
提升见警率、降低案发率是警务人员的现实工作需求，加强街面巡逻防控已日益成为公安部门的共识。在警务巡逻中，地方警务提升巡逻效果的思路主要是在犯罪热点所在区域或路段增派人员、提升巡逻频次。
但是，在人力资源有限、时间有限的情况下，不增加巡逻人员的工作负担，规划合理高效的巡逻路线，提升犯罪防控效果显得尤更为重要。
发明内容
针对上述技术中存在的不足之处，本申请提供了一种巡逻路径规划方法、计算设备及存储介质，能够自动规划出合理高效的巡逻路线。
为解决上述技术问题，本申请采用的技术方案是：
一种巡逻路线规划方法，包括：获取选定区域内的地图信息和发生的多个历史事件；其中，所述地图信息包括道路分布信息和警务点位置信息；根据所述地图信息将所述选定区域划分成两个或多个分区；其中，每一所述分区均包括至少一个警务点；根据所述历史事件的时间信息生成多个巡逻时间区间；在每一所述巡逻时间区间内对与所述道路分布信息相匹配的所述历史事件进行处理，识别出发生所述历史事件的多条热点道路；在每一所述巡逻时间区间内求解对应所述分区内的所述警务点与每一所述热点道路之间的最短路径距离矩阵；以及根据所述最短路径距离矩阵，并以所述警务点作为起点和终点，生成多个所述巡逻时间区间内对应的巡逻路线。
在本申请的一实施例中，所述根据所述历史事件的时间信息生成多个巡逻时间区间的步骤包括：根据所述历史事件发生的日期和时间按第一预设时间周期和预设时间间隔计算所述历史事件的平均数及其标准差；以所述平均数与所述标准差之差、所述平均数以及所述平均数与所述标准差之和三个数值点将发生所述历史事件的数量划分为依次递增的第一数值区间、第二数值区间、第三数值区间以及第四数值区间；在第二预设时间周期内、统计所述预设时间间隔出现的对应数值区间的数量，将出现次数最多的数值区间作为在预设时间间隔中的数值区间；其中，所述第二预设时间周期小于所述第一预设时间周期；以及将在所述第二预设时间周期内连续出现所述第三数值区间和所述第四数值区间的时段以及相邻的上一个时段拼接生成所述巡逻时间区间；或者将在所述预设时间间隔中连续出现所述第一数值区间和所述第二数值区间的时段拼接生成所述巡逻时间区间。
在本申请的一实施例中，在每一所述巡逻时间区间内判断发生所述历史事件的位置信息是否与所述道路分布信息相匹配；统计每条所述道路上发生所述历史事件的数量，并计算所述数量与所述道路的长度比值，得出所述道路上对应发生所述历史事件的风险值；以及根据不同所述道路对应风险值的高低，在各个发生所述历史事件的所述道路的长度之和与所述分区内所有所述道路长度总和的比值超过预设阈值时，将所述道路标记为所述热点道路。
在本申请的一实施例中，根据所述道路分布信息预处理所述道路的中心线图层，并生成网络数据集；在所述网络数据集中计算所述历史事件的位置到最邻近道路中心线上的最临近距离；以及将所述最临近距离小于或等于所述道路路宽的所述历史事件标记为与所述道路分布信息相匹配。
在本申请的一实施例中，对所述道路分布信息中的所述道路进行分级，合并等级相同的所述道路中心线；对所述道路中心线进行拓扑检查；在交叉口处或道路相交处对所述道路中心线进行打断处理；以及生成所述道路中心线的所述网络数据集。
在本申请的一实施例中，对每一所述热点道路的分布信息建立集合S、集合U和数组dis；其中，所述集合S包含起点q，所述起点q为所述分区对应的所述警务点的位置信息，所述集合U包含n条所述热点道路的中点，所述数组dis包括所述起点q到所述中点的最短路径长度dn，dis＝[d1,d2,…,dn]；在所述集合U查找点i，使得所述起点q到所述点i的最短路径长度dis[i]在数组dis中最小，并将所述点i划入到所述集合S中；重复上述步骤，直到所述集合U中所有的点都进入到所述集合S，并求出所述数组dis；根据n条所述热点道路对应的数组dis得出所述最短路径距离矩阵；其中，所述最短路径距离矩阵的大小为(n+1)*(n+1)。
在本申请的一实施例中，在所述集合U的剩余点中，查找能直接到达所述点i的点j；若所述最短路径长度dis[i]与所述点i、所述点j之间路径长度W(i，j)之和小于所述起点q直接到达所述点j的最短路径长度dis[j]，则在所述数组dis中替换所述点j对应的所述最短路径长度dis[j]。
在本申请的一实施例中，在每一所述分区的不同所述巡逻时间区间内，分别计算所述热点道路的中心点坐标；根据所述警务点和所述热点道路的中心点坐标，通过蚁群算法获取所述警务点与所述热点道路的多个连接方案；根据多个所述连接方案中的连接顺序以及遍历路径长度，比较得出最优解；其中，所述最优解中的所述遍历路径长度最短；以所述警务点作为起点和终点，按照所述最优解中的连接顺序及最短路径连接所述警务点和所述热点道路，得出各个所述分区在不同所述巡逻时间区间对应的巡逻路线。
在本申请的一实施例中，所述蚁群算法的概率分布公式为：
其中，为蚂蚁k在点r选择点s的概率，τ为边(r,s)上的信息素浓度，η为点r与点s的最短路径距离的倒数，最短路径距离从第五步的最短路径距离矩阵获得，α表征信息素的相对重要性，β表征启发式信息的相对重要性。Jk(r)为蚂蚁k在点r还需要访问的点的集合。
其中，所述蚁群算法的信息素更新公式为：
其中，ρ为信息素挥发因子，1-ρ为信息素残留系数，E为边集，ib为当前迭代最优的蚂蚁编号，Tourib为当前迭代最优解集合。
在本申请的一实施例中，按预设时间周期更新所述选定区域内的所述地图信息和发生的多个所述历史事件；重复执行上述步骤，以在所述预设时间周期内更新所述巡逻路线。
为解决上述技术问题，本申请提出的另一个解决方案是：
一种计算设备，包括：处理器和存储器；所述处理器与所述存储器耦接，所述存储器上存储有可执行代码；当所述可执行代码被所述处理器执行时，使所述处理器执行如前所述的巡逻路线规划方法。
为解决上述技术问题，本申请提出的另一个解决方案是：
一种存储介质，存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如前所述的巡逻路线规划方法。
本申请与现有技术相比，其有益效果是：本申请提出的一种巡逻路线规划方法、计算设备及存储介质，通过对预设区别进行划分，形成每个警务点负责对应的分区，并根据历史事件划分巡逻时间区间，利用空间分析方法高效识别不同时间段的热点道路，进而规划警务区的时空巡逻路线，得到系列直观清晰的时空巡逻路线图。通过上述方式，本申请中的方法具有动态变化、自动更新的特点，生成的巡逻路线有利于警务人员节省分析时间、及时调整巡逻方案，提高警力资源的配置能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提出的巡逻路径规划方法流程示意图；
图2是本申请中的预设区域的地图；
图3是图1中S130的实现流程示意图；
图4是本申请中巡逻时间区间的划分示意图；
图5是本申请中数值区间的划分示意图；
图6是图1中S140的实现流程示意图；
图7是图1中S150的实现流程示意图；
图8是图1中S160的实现流程示意图；
图9是本申请中图2时间段生成的巡逻路线示意图；
图10是另一巡逻时间区间下热点道路的分布示意图；
图11是图10中的根据本申请中的方法生成的巡逻路线示意图；
图12是本申请提出的一种计算设备的框架结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
本申请中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
基于此，请参阅图1和图2，图1是本申请提出的巡逻路线规划方法的流程示意图，图2是本申请中选定区域的地图。该方法可以包括：
S110：获取选定区域内的地图信息和发生的多个历史事件。
结合图2，在本申请中选定区域可以是人为划分的警务区，或者系统自动导入的区域。其中，选定区域内的地图信息可以是包括道路分布信息和警务点位置信息。道路分布信息可以显示出选定区域内道路的主次以及走向，警务点位置信息可以显示警务点负责的区域范围。
考虑到在巡逻时，需要对人员提供支持，因此警务点可以为岗亭或者警局；历史事件可以是发生在选定区域内的如犯罪案件等。在其他实施例中，地图信息还可以包括该选定区域内的警力配置、小区数量、人口密度等信息，历史事件也可以是发生交通事故的事件，在此不一一举例说明。
S120：根据所述地图信息将所述选定区域划分成两个或多个分区；其中，每一所述分区均包括至少一个警务点。
结合图2，预设区域按照地图信息中的道路分布信息和警务点位置信息，将预设区域划分成一区和二区。两个分区的地理面积各为1.05、1.06平方千米，各包含3个完整的小区。其中，一区和二区分别设置了一个岗亭，用于在巡逻时，作为起点和终点。
也就是说，在设计到划分区域时，原则上需要保证每个分区均需要有至少一个警务点，来保证各个分区具有警务点覆盖，避免较大分区仅有一个警务点造成巡逻路线过长等问题。
在本申请中，可以根据预设区域内的道路分布信息，依据主干道划分出多个分区，使每个分区的地理面积约为1平方千米，同时考虑预设区域内各个社区的空间分布与地理面积，使每个警务区分区包括两个或多个在空间上邻近的小区。
S130：根据所述历史事件的时间信息生成多个巡逻时间区间。
历史事件的时间信息通常包括发生的日期和具体时间，每天不同的时间段，对应的历史事件发生的概率也不相同。例如，发生犯罪事件通常是晚上。基于此，参阅图3，图3是图1中步骤S130的一流程示意图；在该步骤中，步骤S130可以包括：
S131：根据所述历史事件发生的日期和时间按第一预设时间周期和预设时间间隔计算所述历史事件的平均数及其标准差。
其中，第一预设时间周期可以以一周七天为单位进行汇总，预设时间间隔可以是1小时为单位。对预设区域内发生的历史事件进行汇总，并进行计数，按照每周七天中，每小时统计发生历史事件的平均数a并计算其标准差b。
如图4，左侧周一至周日，分别以1小时为间隔统计历史事件的发生数量。
S132：以所述平均数a与所述标准差b之差、所述平均数a以及所述平均数a与所述标准差b之和三个数值点将发生所述历史事件的数量划分为依次递增的第一数值区间、第二数值区间、第三数值区间以及第四数值区间。
结合图5，上述a-b，a，a+b将历史事件的数量分成了数值依次递增的第一数值区间、第二数值区间、第三数值区间以及第四数值区间。上述四个数值区间在图4中通过不同的颜色表示，在对应时段发生的历史事件的数量按照对应的数值区间在表格中进行记录；颜色越深，表面该时段发生历史事件的概率越高，需要重点布置警力。
S133：在第二预设时间周期内、统计所述预设时间间隔出现的对应数值区间的数量，将出现次数最多的数值区间作为在预设时间间隔中的数值区间；其中，所述第二预设时间周期小于所述第一预设时间周期。
结合图4右侧，考虑到工作日和休息日的人流量差异较大，如果放在一起分析汇总，会对结果参数影响。第二预设时间周期按照工作日和休息日进行划分，工作日包括了周一至周五，休息日包括了周六至周日。周一至周五中出现次数最多的数值区间作为工作日的数值区间；周六至周日中出现次数最多的数值区间作为休息日的数值区间。这样，将工作日和休息日分开来分析汇总，可以区别看出对应的历史事件发生的概率。
举例来说，预设区域内在周一至周五的1点，第一数值区间出现的次数最多，使得表格右侧中工作日的数值区间选择为第一数值区间。
针对出现次数最多的数值区间不唯一时，选取数值较大的数值区间作为标记。这样设定，可以最大程度上显示出预设区域内需要重点巡逻的时段。
举例来说，预设区域内在周六至周日的10点，第二数值区间和第四数值区间均出现了1次，休息日标记为第四数值区间。
S134：将在所述第二预设时间周期内连续出现所述第三数值区间和所述第四数值区间的时段以及相邻的上一个时段拼接生成所述巡逻时间区间。
在分别得到工作日和休息日的历史事件发生的数量分布规律后，对于各个时段连续出现第三数值区间和第四数值区间时，表明该时段发生历史事件的概率较大，需要重点分配警力进行巡逻，并且可以增加巡逻的频率。为了提供安全保障，可以在连续出现第三数值区间和第四数值区间后，再加上相邻的上一个时段，从而拼接形成巡逻时间区间。
举例来说，工作日16点至23点连续出现了第三数值区间和第四数值区间，说明该时间段内发生历史事件的概率较高。为了保险起见，需要重点巡逻的时间区间为15：00至23：59。
S136：将在所述预设时间间隔中连续出现所述第一数值区间和所述第二数值区间的时段拼接生成所述巡逻时间区间。
对于位于第一数值区间和第二数值区间的时段，其发生历史事件的概率较低，因此需要配置的警力或者巡逻频率可以降低。在该步骤中，巡逻时间区间可以是连续出现第一数值区间和第二数值区间的时段拼接形成。
举例来说，工作日0点至9点连续出现了第一数值区间和第二数值区间，什么该时间段内发生历史时间的概率较低。巡逻时间区间可以为0:00至8:59。
请继续参阅图1，S140：在每一所述巡逻时间区间内对与所述道路分布信息相匹配的所述历史事件进行处理，识别出发生所述历史事件的多条热点道路。
在上述步骤形成巡逻时间区间的基础上，需要对不同的巡逻时间区间配置不同的警力或者巡逻频率。然而，巡逻的路线需要根据历史事件的发生在预设区域内的道路上进行规划的。基于此，参阅图6，步骤S140可以包括：
S141：在每一所述巡逻时间区间内判断发生所述历史事件的位置信息是否与所述道路分布信息相匹配。
考虑到历史事件(例如犯罪)发生地可能不在道路上，而在于小区内部。基于此，需要根据历史事件的位置信息与道路分布信息进行比对，判断历史事件是否发生在道路上。
其中，该步骤的具体实现方式可以为：根据所述道路分布信息预处理所述道路的中心线图层，并生成网络数据集；在所述网络数据集中计算所述历史事件的位置到最邻近道路中心线上的最临近距离；以及将所述最临近距离小于或等于所述道路路宽的所述历史事件标记为与所述道路分布信息相匹配。
其中，预处理可以包括对所述道路分布信息中的所述道路进行分级，合并等级相同的所述道路中心线；对所述道路中心线进行拓扑检查；在交叉口处或道路相交处对所述道路中心线进行打断处理；以及生成所述道路中心线的所述网络数据集。
在本申请中，不同等级道路对应不同路宽，路宽的取值参考实际情况与《城市道路交通规划设计规范》(GB50220-95)。为了较好反映各级城市道路的犯罪风险，城市快速路、主干道、次干道、支路宽度分别取值为60米、50米、30米、16米，其余道路宽度取值为10米。
通过该方式，可以计算出多个历史事件中，发生在道路上不同巡逻时间区间的数量。
S142：统计每条所述道路上发生所述历史事件的数量，并计算所述数量与所述道路的长度比值，得出所述道路上对应发生所述历史事件的风险值。
如前所述，统一道路上不同时段发生历史事件的概率是变化的。需要在每个巡逻时间区间根据对应道路发生历史事件的数量与道路长度的比值获得对应道路的发生历史时间的风险值。
S143：根据不同所述道路对应风险值的高低，在各个发生所述历史事件的所述道路的长度之和与所述分区内所有所述道路长度总和的比值超过预设阈值时，将所述道路标记为所述热点道路。
在本申请中，预设阈值为5％～20％，取值越高，需要配备的巡逻员越多，或者巡逻员的工作强度越大。该百分比可按研究区域的实际情况如案件分布、道路分布、警力资源等进行适当调整。
例如，将长度之和占警务区所有道路长度总和10％的高风险道路识别为热点道路。其中，热点道路的空间分布随时间变化而变化。如图2、图10所示，部分道路在9:00-14:59和15:00-23:59持续为热点道路，部分道路只在某一时间段为热点道路，还有部分道路持续为非热点道路。
S150：在每一所述巡逻时间区间内求解对应所述分区内的所述警务点与每一所述热点道路之间的最短路径距离矩阵。
在判断得到历史时间热点道路后，需要计算警务点与热点道路的最短距离。在该步骤中，可以采用Dijkstra算法进行求解。Dijkstra算法也是用于解决路径优化问题的算法之一，采用贪心的策略，广度优先搜索解决单源最短路径问题，常用于寻找复杂路网中的最短路径。
其中，步骤S150可以包括：
S151：对每一所述热点道路的分布信息建立集合S、集合U和数组dis；其中，所述集合S包含起点q，所述起点q为所述分区对应的所述警务点的位置信息，所述集合U包含n条所述热点道路的中点，所述数组dis包括所述起点q到所述中点的最短路径长度dn，dis＝[d1,d2,…,dn]。
其中，对于能直接到达起点q的中点，数组dis中的最短路径长度等于两点之间的路径长度；不能直接到达起点q的其他点，最短路径长度为无穷大。
S152：在所述集合U查找点i，使得所述起点q到所述点i的最短路径长度dis[i]在数组dis中最小，并将所述点i划入到所述集合S中。
在该步骤完成后，可以重复S151～S152步骤，直到集合U中所有的点都进入到集合S，求出数组dis。
S153：根据n条所述热点道路对应的数组dis得出所述最短路径距离矩阵；其中，所述最短路径距离矩阵的大小为(n+1)*(n+1)。
在该步骤中，最短路径距离矩阵用于求解岗亭和犯罪热点道路的连接顺序，相应的最短路径可以用于连接岗亭和犯罪热点道路。
在本申请中的一实施例中，步骤S152之后还可以包括：在所述集合U的剩余点中，查找能直接到达所述点i的点j；若所述最短路径长度dis[i]与所述点i、所述点j之间路径长度W(i，j)之和小于所述起点q直接到达所述点j的最短路径长度dis[j]，则在所述数组dis中替换所述点j对应的所述最短路径长度dis[j]。
通过上述方式，可以提高Dijkstra算法计算的最短路径长度的准确度。
S160：根据所述最短路径距离矩阵，并以所述警务点作为起点和终点，生成多个所述巡逻时间区间内对应的巡逻路线。
对于得到的最短路径距离矩阵，可以通过蚁群算法进行求解。其中，蚁群算法也是用于解决路径优化问题的算法之一，算法思路来源于蚂蚁寻找食物的行为模式。蚂蚁在觅食过程中，在途经路径释放信息素，蚁群内的其他蚂蚁感知信息素并沿着信息素浓度较高的路径行走，同时释放信息素，形成正反馈机制。最终，整个蚁群沿着最短路径到达食物源。与传统算法相比，蚁群算法具有信息正反馈、启发式搜索、分布计算的特征，满足解决路径优化问题的需要。当然，在其他实施例中，本领域的技术人员也可以采用其他算法解决路径优化的问题，在此不一一赘述。
其中，步骤S160可以包括：
S161：在每一所述分区的不同所述巡逻时间区间内，分别计算所述热点道路的中心点坐标。
S162：根据所述警务点和所述热点道路的中心点坐标，通过蚁群算法获取所述警务点与所述热点道路的多个连接方案。
输入岗亭坐标和犯罪热点道路的中心点坐标，运行蚁群算法，输出岗亭和犯罪热点道路的连接方案，包括连接顺序和遍历路径长度。蚁群算法的概率分布公式如下：
其中为蚂蚁k在点r选择点s的概率，τ为边(r,s)上的信息素浓度，η为点r与点s的最短路径距离的倒数，最短路径距离从第五步的最短路径距离矩阵获得，α表征信息素的相对重要性，β表征启发式信息的相对重要性。Jk(r)为蚂蚁k在点r还需要访问的点的集合。
蚁群算法的信息素更新公式如下：
其中ρ为信息素挥发因子，1-ρ为信息素残留系数，E为边集，ib为当前迭代最优的蚂蚁编号，Tourib为当前迭代最优解集合。
为蚂蚁ib在边(r,s)留下的信息素浓度，其计算公式取决于信息素更新模型。信息素更新模型包括全局信息更新与局部信息更新两类，蚁密模型是对局部信息进行更新，在蚂蚁每完成一步移动后更新该路径上的信息素，其公式如下：
其中为蚂蚁ib在边(r,s)留下的信息素浓度，Q为信息素释放总量，Lrs为边(r,s)的路径长度。
S163：根据多个所述连接方案中的连接顺序以及遍历路径长度，比较得出最优解；其中，所述最优解中的所述遍历路径长度最短。
S164：以所述警务点作为起点和终点，按照所述最优解中的连接顺序及最短路径连接所述警务点和所述热点道路，得出各个所述分区在不同所述巡逻时间区间对应的巡逻路线。
在本发明实例中，设定k＝10，迭代次数＝100，α＝1，β＝10，ρ＝0.5，Q＝10,信息素更新模型为蚁密模型。反复运行蚁群算法直至得出20种连接方案，再选取其中的最优解。经试验，对于在特定时间段的特定警务区分区，蚁群算法的运行次数达到20后，部分连接方案重复出现，遍历路径长度的极大值、极小值趋于稳定。得到20种连接方案时，运行次数大于20，得出更优解的概率大幅变小。
由图2、图9至11可知，随着热点道路分布的变化，巡逻路线也相应发生变化。一区与二区的巡逻路线均为闭合型，两二者因案件分布的时空变化而具有不同形状。巡逻路线示例图具有直观、清晰的特点，巡逻人员可采取该路线或结合实际工作经验进行适当修改，从而更高效地开展巡逻工作。
根据上述方法得出一天内的多张警务区时空巡逻路线图，警务部门能以此为参考，将警务人员分配到不同警务区分区，并依据特定巡逻时间段的巡逻路线进行街面巡逻，从而将警力资源重点部署在犯罪热点道路，有利于提升巡逻效率。在第一步的警务区分区方案确定后，每隔一个周期更新一次输入的案件点数据，即可自动输出新的警务区时空巡逻路线图，极大地减少分析时间，对使用者而言操作简单，便于应用到工作实践。
随着警务点按照上述巡逻时间区间和对应的巡逻路线进行巡逻，可以有效地打击犯罪；但也可能造成犯罪分子在警力配置较松的巡逻时间区间进行犯罪。基于此，在本申请的一实施例中，该方法还包括按预设时间周期更新所述选定区域内的所述地图信息和发生的多个所述历史事件；重复执行上述步骤，以在所述预设时间周期内更新所述巡逻路线。
其中，每隔一个周期更新一次输入的案件点数据，重复上述步骤，计算并更新警务区时空巡逻路线，输出空间巡逻路线示意图。因此，本申请中的巡逻路线规划方法可以根据历史事件进行调整，从而实现动态更新的效果。
请参阅图12，图12是本申请提出的一种计算设备200，该计算设备包括处理器220和存储器210，处理器220与存储器210耦接，存储器210上存储有可执行代码；当所述可执行代码被所述处理器220执行时，使所述处理器220执行如前所述的巡逻路线规划方法。
本申请还提出了一种存储介质，存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如钱所述的巡逻路线规划方法。
综上所述，本申请提出的一种巡逻路线规划方法、技术设备及存储介质，划分警务区分区与巡逻时间段，利用空间分析方法高效识别犯罪热点道路，并运用Dijkstra算法和蚁群算法详细规划警务区的时空巡逻路线，得到系列直观清晰的时空巡逻路线图。警务人员不需要通过参考分离的空间分析结果和时间分析结果后自行挑选重点路段、设计巡逻线路，而是可以直接采用本发明方法得出的系列图纸进行巡逻，或结合实际工作经验对巡逻路线进行适当修改。定期更新的案件点数据与基于高时空分辨率的犯罪预测结果，都能作为输入数据，用来规划系列巡逻路线。动态变化、自动更新的巡逻路线有利于警务人员节省分析时间、及时调整巡逻方案，高效配置警力资源。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种巡逻路线规划方法，其特征在于，包括：
获取选定区域内的地图信息和发生的多个历史事件；其中，所述地图信息包括道路分布信息和警务点位置信息；
根据所述地图信息将所述选定区域划分成两个或多个分区；其中，每一所述分区均包括至少一个警务点；
根据所述历史事件的时间信息生成多个巡逻时间区间；
在每一所述巡逻时间区间内对与所述道路分布信息相匹配的所述历史事件进行处理，识别出发生所述历史事件的多条热点道路；
在每一所述巡逻时间区间内求解对应所述分区内的所述警务点与每一所述热点道路之间的最短路径距离矩阵；以及
根据所述最短路径距离矩阵，并以所述警务点作为起点和终点，生成多个所述巡逻时间区间内对应的巡逻路线；
所述在每一所述巡逻时间区间内对与所述道路分布信息相匹配的所述历史事件进行处理，识别出发生所述历史事件的多条热点道路的步骤包括：
在每一所述巡逻时间区间内判断发生所述历史事件的位置信息是否与所述道路分布信息相匹配；
统计每条所述道路上发生所述历史事件的数量，并计算所述数量与所述道路的长度比值，得出所述道路上对应发生所述历史事件的风险值；以及
根据不同所述道路对应风险值的高低，在各个发生所述历史事件的所述道路的长度之和与所述分区内所有所述道路长度总和的比值超过预设阈值时，将所述道路标记为所述热点道路；
所述在每一所述巡逻时间区间内判断发生所述历史事件的位置信息是否与所述道路分布信息相匹配的步骤包括：根据所述道路分布信息预处理所述道路的中心线图层，并生成网络数据集；在所述网络数据集中计算所述历史事件的位置到最邻近道路中心线上的最临近距离；以及将所述最临近距离小于或等于所述道路路宽的所述历史事件标记为与所述道路分布信息相匹配；
所述根据所述道路分布信息预处理所述道路的中心线图层，并生成网络数据集的步骤包括：对所述道路分布信息中的所述道路进行分级，合并等级相同的所述道路中心线；对所述道路中心线进行拓扑检查；在交叉口处或道路相交处对所述道路中心线进行打断处理；以及生成所述道路中心线的所述网络数据集；所述根据所述历史事件的时间信息生成多个巡逻时间区间的步骤包括：
根据所述历史事件发生的日期和时间按第一预设时间周期和预设时间间隔计算所述历史事件的平均数及其标准差；
以所述平均数与所述标准差之差、所述平均数以及所述平均数与所述标准差之和三个数值点将发生所述历史事件的数量划分为依次递增的第一数值区间、第二数值区间、第三数值区间以及第四数值区间；
在第二预设时间周期内、统计所述预设时间间隔出现的对应数值区间的数量，将出现次数最多的数值区间作为在预设时间间隔中的数值区间；其中，所述第二预设时间周期小于所述第一预设时间周期；以及
将在所述第二预设时间周期内连续出现所述第三数值区间和所述第四数值区间的时段以及相邻的上一个时段拼接生成所述巡逻时间区间；或者
将在所述预设时间间隔中连续出现所述第一数值区间和所述第二数值区间的时段拼接生成所述巡逻时间区间；所述在每一所述巡逻时间区间内求解对应所述分区内的所述警务点与每一所述热点道路之间的最短路径距离矩阵的步骤包括：
对每一所述热点道路的分布信息建立集合S、集合U和数组dis；其中，所述集合S包含起点q，所述起点q为所述分区对应的所述警务点的位置信息，所述集合U包含n条所述热点道路的中点，所述数组dis包括所述起点q到所述中点的最短路径长度dn，dis＝[d1,d2,…,dn]；
在所述集合U查找点i，使得所述起点q到所述点i的最短路径长度dis[i]在数组dis中最小，并将所述点i划入到所述集合S中；
重复上述步骤，直到所述集合U中所有的点都进入到所述集合S，并求出所述数组dis；
根据n条所述热点道路对应的数组dis得出所述最短路径距离矩阵；其中，所述最短路径距离矩阵的大小为(n+1)*(n+1)。
2.根据权利要求1所述的方法，其特征在于，所述在所述集合U查找点i，使得所述起点q到所述点i的最短路径长度dis[i]在数组dis中最小，并将所述点i划入到所述集合S中的步骤之后，还包括：
在所述集合U的剩余点中，查找能直接到达所述点i的点j；
若所述最短路径长度dis[i]与所述点i、所述点j之间路径长度W(i，j)之和小于所述起点q直接到达所述点j的最短路径长度dis[j]，则在所述数组dis中替换所述点j对应的所述最短路径长度dis[j]。
3.根据权利要求1所述的方法，其特征在于，所述根据所述最短路径距离矩阵，并以所述警务点作为起点和终点，生成多个所述巡逻时间区间内对应的巡逻路线的步骤包括：
在每一所述分区的不同所述巡逻时间区间内，分别计算所述热点道路的中心点坐标；
根据所述警务点和所述热点道路的中心点坐标，通过蚁群算法获取所述警务点与所述热点道路的多个连接方案；
根据多个所述连接方案中的连接顺序以及遍历路径长度，比较得出最优解；其中，所述最优解中的所述遍历路径长度最短；
以所述警务点作为起点和终点，按照所述最优解中的连接顺序及最短路径连接所述警务点和所述热点道路，得出各个所述分区在不同所述巡逻时间区间对应的巡逻路线。
4.根据权利要求3所述的方法，其特征在于，所述蚁群算法的概率分布公式为：
其中，为蚂蚁k在点r选择点s的概率，τ为边(r，s)上的信息素浓度，η为点r与点s的最短路径距离的倒数，最短路径距离从第五步的最短路径距离矩阵获得，a表征信息素的相对重要性，β表征启发式信息的相对重要性，Jk(r)为蚂蚁k在点r还需要访问的点的集合；
其中，所述蚁群算法的信息素更新公式为：
其中，ρ为信息素挥发因子，1-ρ为信息素残留系数，E为边集，ib为当前迭代最优的蚂蚁编号，Tourib为当前迭代最优解集合。
5.根据权利要求1所述的方法，其特征在于，在所述根据所述最短路径距离矩阵，并以所述警务点作为起点和终点，生成多个所述巡逻时间区间内对应的巡逻路线的步骤之后，还包括：
按预设时间周期更新所述选定区域内的所述地图信息和发生的多个所述历史事件；
重复执行上述步骤，以在所述预设时间周期内更新所述巡逻路线。
6.一种计算设备，其特征在于，包括：处理器和存储器；所述处理器与所述存储器耦接，所述存储器上存储有可执行代码；当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至5中任何一项所述的巡逻路线规划方法。
7.一种存储介质，其特征在于，存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至5中任一项所述的巡逻路线规划方法。
CN202011128625.8A 2020-10-21 2020-10-21 一种巡逻路径规划方法、计算设备及存储介质 Active CN112229395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011128625.8A CN112229395B (zh) 2020-10-21 2020-10-21 一种巡逻路径规划方法、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011128625.8A CN112229395B (zh) 2020-10-21 2020-10-21 一种巡逻路径规划方法、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN112229395A CN112229395A (zh) 2021-01-15
CN112229395B true CN112229395B (zh) 2024-04-26

Family

ID=74117595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011128625.8A Active CN112229395B (zh) 2020-10-21 2020-10-21 一种巡逻路径规划方法、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN112229395B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362628A (zh) * 2021-07-07 2021-09-07 安徽富煌科技股份有限公司 一种大交通智能调度系统中的双向动态最短路径显示系统
CN113610690A (zh) * 2021-08-02 2021-11-05 上海迎盾科技有限公司 巡逻记录的上报方法及装置、存储介质、终端
CN113873203B (zh) * 2021-09-30 2023-09-26 杭州华橙软件技术有限公司 一种确定巡航路径的方法、装置、计算机设备和存储介质
WO2024014000A1 (ja) * 2022-07-15 2024-01-18 日本電信電話株式会社 検出装置、検出方法、及び検出プログラム
CN116644877A (zh) * 2023-07-26 2023-08-25 广东电网有限责任公司江门供电局 一种配网线路落火点巡视路线规划方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402729A (zh) * 2010-09-13 2012-04-04 方正国际软件有限公司 基于路网数据的资源调度方法及系统
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
CN108898183A (zh) * 2018-07-02 2018-11-27 中国人民解放军战略支援部队信息工程大学 一种巡检路线制定方法及装置
CN109740798A (zh) * 2018-12-17 2019-05-10 中国人民公安大学 一种基于路网的警务巡逻盘查路径优化方法
CN111062547A (zh) * 2018-10-16 2020-04-24 安徽方正北斗电子科技有限公司 一种基于时空区域的犯罪分析方法
CN111784039A (zh) * 2020-06-28 2020-10-16 中国人民公安大学 一种基于动态风险评估的城市大型活动警力布防方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402729A (zh) * 2010-09-13 2012-04-04 方正国际软件有限公司 基于路网数据的资源调度方法及系统
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
CN108898183A (zh) * 2018-07-02 2018-11-27 中国人民解放军战略支援部队信息工程大学 一种巡检路线制定方法及装置
CN111062547A (zh) * 2018-10-16 2020-04-24 安徽方正北斗电子科技有限公司 一种基于时空区域的犯罪分析方法
CN109740798A (zh) * 2018-12-17 2019-05-10 中国人民公安大学 一种基于路网的警务巡逻盘查路径优化方法
CN111784039A (zh) * 2020-06-28 2020-10-16 中国人民公安大学 一种基于动态风险评估的城市大型活动警力布防方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于道路网络的犯罪时空分布特征与可视化研究;郑滋椀;中国优秀硕士学位论文全文数据库基础科学辑(第2期);第30-41页 *
大数据背景下的警察巡逻路径规划模型构建;刘莹 等;中国刑警学院学报(第3期);第101-107页 *
盗窃犯罪的时空热点分析及防控对策研究;唐志文;中国优秀硕士学位论文全文数据库社会科学Ⅰ辑(第9期);第16-31页 *
网络分析在GIS出警路径规划中的研究与应用;雷震;中国优秀硕士学位论文全文数据库社会科学Ⅰ辑(第6期);第15-27页 *

Also Published As

Publication number Publication date
CN112229395A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112229395B (zh) 一种巡逻路径规划方法、计算设备及存储介质
CN110782070B (zh) 一种城市轨道交通突发事件客流时空分布预测方法
Dulebenets et al. Multiobjective optimization model for emergency evacuation planning in geographical locations with vulnerable population groups
Vodák et al. A modified ant colony optimization algorithm to increase the speed of the road network recovery process after disasters
Li et al. A household-level approach to staging wildfire evacuation warnings using trigger modeling
Mikou et al. Assessing rural accessibility and rural roads investment needs using open source data
US20190012605A1 (en) Artificial intelligence based solution generator
CN112541618B (zh) 基于网格化的主动配电网规划方法及存储介质
Pan et al. DHPA: Dynamic human preference analytics framework: A case study on taxi drivers’ learning curve analysis
Kolosz et al. Modelling uncertainty in the sustainability of Intelligent Transport Systems for highways using probabilistic data fusion
Gharib et al. Developing an integrated model for planning the delivery of construction materials to post-disaster reconstruction projects
Zhan et al. A modified artificial bee colony algorithm for the dynamic ride-hailing sharing problem
CN112801399B (zh) 一种路径生成方法、装置、终端设备及存储介质
CN114386536B (zh) 区域确定方法、装置、计算设备以及存储介质
Even et al. Nicta evacuation planner: Actionable evacuation plans with contraflows
Raharjo et al. Knowledge Development on Urban Public Transportation Concepts: A Literature Study in Bibliometric Analysis
CN116975785B (zh) 一种基于cim模型的多源异构数据融合分析方法及系统
He et al. Network design model to integrate shelter assignment with contraflow operations in emergency evacuation planning
US20240054725A1 (en) Method of siting emergency medical service facilities in mountain villages
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
Idoudi et al. Impact of dynamic shelter allocation in online population evacuation management
Messaoud et al. Hybrid ant colony system algorithm for the vehicle routing problem with dynamic customers and traffic factors
Ralston GIS and its traffic assignment: issues in dynamic user-optimal assignments
Zhang et al. Evacuation shelter and route selection based on multi-objective optimization approach
Yılmaz Hierarchical Chinese postman problem with fuzzy travel times

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant